基于YOLOv5s的滑雪人员检测研究

针对滑雪人员目标检测研究中,存在的检测精度低、速度慢,不同姿态识别效果差等问题,采用YOLOv5s网络模型,改进损失函数,增加平衡因子,在自制滑雪人员数据集上对网络进行训练,利用训练好的网络进行图像特征提取,实现滑雪人员的快速检测。基于YOLOv5s的滑雪人员检测模型可以有效识别不同姿态下的滑雪人员,mAP值达到99.87%,Recall值达到97.66%,检测速度可以达到7ms/帧。实验结果表明,改进的YOLOv5s滑雪人员检测模型,检测速度快,检测精度高,鲁棒性强,有较好的可扩展性,既满足检测精度要求,又满足检测速度要求。

基于改进YOLOv7的夜间行人检测算法

针对夜间行人检测任务中存在的检测速度慢、漏检率高、黑夜场景下识别效果差等问题,提出一种改进YOLOv7的夜间行人检测算法。改进算法中,使用YOLOv7-tiny网络作为baseline,以满足准确率的同时兼具较高的检测速度,在网络head部分,使用CSP HorNet模块实现关键特征之间的高阶交互,并引入SimAM注意力机制,在不增加模型复杂度的情况下,使网络聚焦更多重要的特征信息。实验结果表明,改进算法在测试集上准确率(Precision,P)达到91.7%,召回率(Recall,R)达到81.4%,均值平均精度(mean Average Precision,mAP)提升2.9个百分点。改进算法在真实场景检测任务中,有效降低了漏检率及错检率,表现出良好的性能。